1.3 重要的Python库

对于那些对Python数据生态系统以及本书所使用的类库不太熟悉的人士,我将简要地介绍一部分重要的库。

1.3.1 NumPy

NumPy(http://numpy.org是Numerical Python的简写,是Python数值计算的基石。它提供多种数据结构、算法以及大部分涉及Python数值计算所需的接口。NumPy还包括其他内容:

· 快速、高效的多维数组对象ndarray

· 基于元素的数组计算或数组间数学操作函数

· 用于读写硬盘中基于数组的数据集的工具

· 线性代数操作、傅里叶变换以及随机数生成

· 成熟的C语言API,允许Python拓展和本地的CC++代码访问NumPy的数据结构和计算设施。

除了NumPy赋予Python的快速数组处理能力之外,NumPy的另一个主要用途是在算法和库之间作为数据传递的数据容器。对于数值数据,NumPy数组能够比Python内建数据结构更为高效地存储和操作数据。此外,用底层语言编写的库,例如用C或Fortran编写的库,可以在NumPy数组存储的数据上直接操作,而无须将数据复制到其他内存中后再操作。因此,许多Python的数值计算工具将NumPy数组作为基础数据结构,或与NumPy进行无缝互操作。

1.3.2 pandas

pandas(http://pandas.pyda ta.org提供了高级数据结构和函数,这些数据结构和函数的设计使得利用结构化、表格化数据的工作快速、简单、有表现力。它出现于2010年,帮助Python成为强大、高效的数据分析环境。在本书中主要使用的pandas对象是DataFrame,它是用于实现表格化、面向列、使用行列标签的数据结构;以及Series,一种一维标签数组对象。

pandas将表格和关系型数据库(例如SQL)的灵活数据操作能力与NumPy的高性能数组计算的理念相结合。它提供复杂的索引函数,使得数据的重组、切块、切片、聚合、子集选择更为简单。由于数据操作、预处理、清洗在数据分析中是重要的技能,pandas将是本书的重要主题。

介绍一点背景知识,早在2008年,我在一家量化投资企业——AQR资本管理公司供职时,便开始了pandas的开发。那时候,我有一些独特的需求是工具清单上任何单个工具无法满足的:

· 带有标签轴,支持自动化或显式数据对齐功能的数据结构——这可以防止未对齐数据和不同数据源的不同索引数据所引起的常见错误

· 集成时间序列函数功能

· 能够同时处理时间序列数据和非时间序列数据的统一数据结构

· 可以保存元数据的算术操作和简化

· 灵活处理缺失数据

· 流行数据库(例如基于SQL的数据库)中的合并等关系型操作

我想将以上的工作在同一个地方完成,最好还能在一个拥有通用软件开发能力的语言中实现。Python就是一个很好的备选项,但是那时候并没有这类数据结构的整合集,也没有能提供相关功能的工具。结果就是pandas最初被开发出来用于解决金融和商业分析问题,pandas尤其擅长深度时间序列和处理商业进程中产生的时间索引数据。

使用R语言进行统计计算的用户对DataFrame的名称会非常熟悉,因为这个对象是根据相似的R data.frame对象进行命名的。与Python不同的是,数据框在R语言中是标准库中的内容。因此,pandas中的很多特征通常与R核心的实现或者R的附加库提供的功能一致。

pandas的名字的来源是panel data,这是计量经济学中针对多维结构化数据集的术语。pandas也是Python data analysis(Python数据分析)自身的简写短语。

1.3.3 matplotlib

matplotlib(http://matplotlib.org)是最流行的用于制图及其他二维数据可视化的Python库。它由John D. Hunter创建,目前由一个大型开发者团队维护。matplotlib被设计为适合出版的制图工具。对于Python编程者来说也有其他可视化库,但matplotlib依然使用最为广泛,并且与生态系统的其他库良好整合。我认为将它作为默认可视化工具是一个安全的选择。

1.3.4 IPython与Jupyter

IPython项目(http://ipython.org开始于2001年,由Fernando Pérez发起,旨在开发一个更具交互性的Python解释器。在过去的16年中,它成为Python数据技术栈中最重要的工具之一。尽管它本身并不提供任何计算或数据分析工具,它的设计侧重于在交互计算和软件开发两方面将生产力最大化。它使用了一种执行-探索工作流来替代其他语言中典型的编辑-编译-运行工作流。它还提供针对操作系统命令行和文件系统的易用接口。由于数据分析编码工作包含大量的探索、试验、试错和遍历,IPython可以使你更快速地完成工作。

2014年,Fernando和IPython团队发布了Jupyter项目(http://jupyter.org)。Jupyter项目旨在设计一个适用于更多语言的交互式计算工具。IPython web notebook则成为Jupyter notebook,可以支持超过40种编程语言。IPython系统目前可以作为一个内核(一种编程语言模式)用于在Jupyter中使用Python。

IPython自身已成为Jupyter开源项目中的一个组件,后者提供交互性、探索性的高效环境。IPtyhon最古老、最简单的“模式”就是一个加强版的Python命令行,用于提高编写、测试、调试Python代码的速度。你也可以通过基于Web、支持多语言的代码“笔记本”——Jupyter Notebook来使用IPython系统。IPython命令行和Jupyter notebook对于数据探索和可视化非常有用。

Jupyter notebook系统允许你使用Markdown和HTML创建包含代码和文本的富文档。其他编程语言也针对Jupyter实现了内核,允许你在Jupyter中使用多种语言而不仅仅是Python。

对我个人来说,IPython涉及我工作的大部分内容,包括运行、调试、测试代码。

在随书资料(http://github.com/wesm/pydata-book)中,你可以找到包含本书所有章节示例代码的Jupyter notebook。

1.3.5 SciPy

SciPy(http://scipy.org是科学计算领域针对不同标准问题域的包集合。以下是SciPy中包含的一些包:

scipy.integrate

数值积分例程和微分方程求解器

scipy.linalg

线性代数例程和基于numpy.linalg的矩阵分解

scipy.optimize

函数优化器(最小化器)和求根算法

scipy.signal

信号处理工具

scipy.sparse

稀疏矩阵与稀疏线性系统求解器

scipy.special

SPECFUN的包装器。SPECFUN是Fortran语言下实现通用数据函数的包,例如gamma函数。

scipy.stats

标准的连续和离散概率分布(密度函数、采样器、连续分布函数)、各类统计测试、各类描述性统计。

SciPy与NumPy一起为很多传统科学计算应用提供了一个合理、完整、成熟的计算基础。

1.3.6 scikit-learn

scikit-learn项目(http://scikit-learn.org诞生于2010年,目前已成为Python编程者首选的机器学习工具包。仅仅七年,scikit-learn就拥有了全世界1500位代码贡献者。其中包含以下子模块。

· 分类:SVM、最近邻、随机森林、逻辑回归等

· 回归:Lasso、岭回归等

· 聚类:k-means、谱聚类等

· 降维:PCA、特征选择、矩阵分解等

· 模型选择:网格搜索、交叉验证、指标矩阵

· 预处理:特征提取、正态化

scikit-learn与pandas、statsmodels、IPython一起使Python成了高效的数据科学编程语言。本书中并不会提供详细的scikit-learn指引,但我会简要介绍scikit-learn中的一些模型以及如何与本书中出现的其他工具一起使用这些模型。

1.3.7 statsmodels

statsmodels(http://statsmodels.org)是一个统计分析包。它源自斯坦福大学统计学教授Jonathan Taylor利用R语言实现的各类分析模型。Skipper Seabold和Josef Perktold早在2010年便创建了新的statsmodels项目。自那之后该项目迅速成长,拥有大量活跃用户和贡献者者。Nathaniel Smith开发了Patsy项目,为R语言公式系统所驱动的statsmodels包提供公式、模型规范框架。

与scikit-learn相比,statsmodels包含经典的(高频词汇)统计学、经济学算法。它所包含的模型如下。

· 回归模型:线性回归、通用线性模型、鲁棒线性模型、线性混合效应模型等

· 方差分析(ANOVA)

· 时间序列分析:AR、ARMA、ARIMA、VAR等模型

· 非参数方法:核密度估计、核回归

· 统计模型结果可视化

statsmodels更专注于统计推理,提供不确定性评价和p值参数。相反,scikit-learn更专注于预测。

和scikit-learn一样,我将简要介绍如何与NumPy和pandas一起使用statsmodels。